CN113573097A - 视频推荐方法、装置、服务器及存储介质 - Google Patents
视频推荐方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN113573097A CN113573097A CN202010357144.8A CN202010357144A CN113573097A CN 113573097 A CN113573097 A CN 113573097A CN 202010357144 A CN202010357144 A CN 202010357144A CN 113573097 A CN113573097 A CN 113573097A
- Authority
- CN
- China
- Prior art keywords
- video
- videos
- interactive
- pool
- user account
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002452 interceptive effect Effects 0.000 claims abstract description 113
- 230000006399 behavior Effects 0.000 claims abstract description 77
- 230000003993 interaction Effects 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 10
- 239000000284 extract Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
- H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/233—Processing of audio elementary streams
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25891—Management of end-user data being end-user preferences
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Computer Graphics (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于一种视频推荐方法、装置、服务器及存储介质,该方法包括:获取用户账户的交互视频集合;其中,所述交互视频集合为与所述用户账户的视频交互行为对应的多个视频组成的集合;提取所述交互视频集合中各个视频对应的图像特征和音频特征;分别对每个所述视频对应的图像特征和音频特征进行融合,得到所述交互视频集合中各个视频对应的视频内容特征;根据所述交互视频集合中各个视频对应的视频内容特征,为所述用户账户进行视频推荐。采用本方法可以提高对视频进行个性化推荐的准确度。
Description
技术领域
本公开涉及互联网技术领域,尤其涉及一种视频推荐方法、装置、服务器及存储介质。
背景技术
随着互联网技术的迅速发展,用户可以通过手机、笔记本电脑等电子设备访问互联网 提供的图片、视频、音乐等媒体内容。例如,用户可以通过移动终端上安装的短视频应用 程序实时观看短视频内容。
现有的视频推荐系统在进行视频个性化推荐时,往往只是采用视频在冷启动后累积的 用户观看数据为用户进行个性化视频推荐。
然而,视频创作者为了提升视频点击量,视频创作者往往会对视频封面、视频标题等 进行精心设计以吸引用户点击观看该视频,这使得该视频在冷启动后累积的用户观看数据 并不能准确地反映出该视频特征,导致视频推荐系统不能按照该视频特征准确地为用户推 荐符合用户兴趣偏好的视频。
因此,现有的视频推荐系统存在视频个性化推荐准确度不高的问题。
发明内容
本公开提供一种视频推荐方法、装置、服务器及存储介质,以至少解决相关技术中视 频推荐系统存在视频个性化推荐准确度不高的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种视频推荐方法,该方法包括:
获取用户账户的交互视频集合;其中,所述交互视频集合为与所述用户账户的视频交 互行为对应的多个视频组成的集合;
提取所述交互视频集合中各个视频对应的图像特征和音频特征;
分别对每个所述视频对应的图像特征和音频特征进行融合,得到所述交互视频集合中 各个视频对应的视频内容特征;
根据所述交互视频集合中各个视频对应的视频内容特征,为所述用户账户进行视频推 荐。
在一示例性实施例中,所述根据所述交互视频集合中各个视频对应的视频内容特征, 为所述用户账户进行视频推荐,包括:
获取视频池中各个视频的视频内容特征;
根据所述视频池中各个视频的视频内容特征和所述交互视频集合中各个视频对应的 视频内容特征,确定所述视频池中各个视频与所述交互视频集合中各个视频之间的视频相 似度;
根据所述视频池中各个视频对应的视频相似度,为所述用户账户进行视频推荐。
在一示例性实施例中,所述根据所述视频池中各个视频对应的视频相似度,为所述用 户账户进行视频推荐,包括:
根据所述视频池中各个视频对应的视频相似度,确定所述视频池中的候选视频集合; 所述候选视频集合中各个视频对应的视频相似度大于预设的相似度阈值;
根据所述候选视频集合,为所述用户账户进行视频推荐。
在一示例性实施例中,所述根据所述候选视频集合,为所述用户账户进行视频推荐, 包括:
获取所述候选视频集合中各个视频对应的用户行为数据;
根据所述用户行为数据,对所述候选视频集合中各个视频进行排序,得到排序后的待 推荐视频;
确定所述排序后的待推荐视频中的目标视频,并将所述目标视频推荐至所述用户账 户。
在一示例性实施例中,所述获取视频池中各个视频的视频内容特征,包括:
提取所述视频池中各个视频对应的图像特征和音频特征;
分别对所述视频池中各个视频对应的图像特征和音频特征进行融合,得到所述视频池 中各个视频的视频内容特征。
在一示例性实施例中,还包括:
根据所述视频池中各个视频的视频内容特征,确定所述视频池中的第一相似视频对和 第二相似视频对;所述相似视频对中的视频之间的视频相似度大于预设的相似度阈值;
当所述第一相似视频对中的任意一个视频与所述第二相似视频对中的任意一个视频 之间的视频相似度大于所述相似度阈值时,则将所述第一相似视频对的视频和第二相似视 频对的视频进行聚类,得到相似视频集合。
在一示例性实施例中,所述视频交互行为具有多个,所述获取用户账户的交互视频集 合,包括:
读取各个所述视频交互行为对应的视频ID信息;
对各个所述视频ID信息进行去冗余,得到去冗余视频ID信息;
根据所述去冗余视频ID信息,在视频池中读取所述交互视频集合。
根据本公开实施例的第二方面,提供一种视频推荐装置,该装置包括:
获取单元,被配置为执行获取用户账户的交互视频集合;其中,所述交互视频集合为 与所述用户账户的视频交互行为对应的多个视频组成的集合;
提取单元,被配置为执行提取所述交互视频集合中各个视频对应的图像特征和音频特 征;
融合单元,被配置为执行分别对每个所述视频对应的图像特征和音频特征进行融合, 得到所述交互视频集合中各个视频对应的视频内容特征;
推荐单元,被配置为执行根据所述交互视频集合中各个视频对应的视频内容特征,为 所述用户账户进行视频推荐。
在一示例性实施例中,所述推荐单元,具体被配置为执行获取视频池中各个视频的视 频内容特征;根据所述视频池中各个视频的视频内容特征和所述交互视频集合中各个视频 对应的视频内容特征,确定所述视频池中各个视频与所述交互视频集合中各个视频之间的 视频相似度;根据所述视频池中各个视频对应的视频相似度,为所述用户账户进行视频推 荐。
在一示例性实施例中,所述推荐单元,具体被配置为执行根据所述视频池中各个视频 对应的视频相似度,确定所述视频池中的候选视频集合;所述候选视频集合中各个视频对 应的视频相似度大于预设的相似度阈值;根据所述候选视频集合,为所述用户账户进行视 频推荐。
在一示例性实施例中,所述推荐单元,具体被配置为执行获取所述候选视频集合中各 个视频对应的用户行为数据;根据所述用户行为数据,对所述候选视频集合中各个视频进 行排序,得到排序后的待推荐视频;确定所述排序后的待推荐视频中的目标视频,并将所 述目标视频推荐至所述用户账户。
在一示例性实施例中,所述推荐单元,具体被配置为执行提取所述视频池中各个视频 对应的图像特征和音频特征;分别对所述视频池中各个视频对应的图像特征和音频特征进 行融合,得到所述视频池中各个视频的视频内容特征。
在一示例性实施例中,所述一种视频推荐装置,还包括:视频相似度获取单元,被配 置为执行根据所述视频池中各个视频的视频内容特征,确定所述视频池中的第一相似视频 对和第二相似视频对;所述相似视频对中的视频之间的视频相似度大于预设的相似度阈 值;聚类单元,被配置为执行当所述第一相似视频对中的任意一个视频与所述第二相似视 频对中的任意一个视频之间的视频相似度大于所述相似度阈值时,则将所述第一相似视频 对的视频和第二相似视频对的视频进行聚类,得到相似视频集合。
在一示例性实施例中,所述视频交互行为具有多个,所述获取单元,具体被配置为执 行读取各个所述视频交互行为对应的视频ID信息;对各个所述视频ID信息进行去冗余,得到去冗余视频ID信息;根据所述去冗余视频ID信息,在视频池中读取所述交互视频集合。
根据本公开实施例的第三方面,提供一种电子设备,包括存储器和处理器,所述存储 器存储有计算机程序,所述处理器执行所述计算机程序时实现如第一方面或第一方面的任 一种可能实现方式所述的视频推荐方法。
根据本公开实施例的第四方面,提供一种存储介质,其上存储有计算机程序,所述计 算机程序被处理器执行时实现如第一方面或第一方面的任一种可能实现方式所述的视频 推荐方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,所述程序产品包括计算机 程序,所述计算机程序存储在可读存储介质中,设备的至少一个处理器从所述可读存储介 质读取并执行所述计算机程序,使得设备执行第一方面的任一项实施例中所述的视频推荐 方法。
本公开的实施例提供的技术方案至少带来以下有益效果:通过获取与用户账户的视频 交互行为相关联的交互视频集合;并提取交互视频集合中各个视频对应的图像特征和音频 特征;分别对每个视频对应的图像特征和音频特征进行融合,得到交互视频集合中各个视 频对应的视频内容特征;使得各个视频对应的视频内容特征可以准确地表达出视频对应的 内容,并且通过根据交互视频集合的各个视频对应的视频内容特征,可以准确地基于用户 账户的视频交互行为刻画出用户账户的兴趣偏好,从而准确地为用户账户进行视频推荐, 避免了只采用视频在冷启动后累积的用户观看数据作为视频特征而导致推荐准确度不高 的情况,进而提高视频的个性化推荐准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限 制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例, 并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种视频推荐方法的应用环境图。
图2是根据一示例性实施例示出的一种视频推荐方法的流程图。
图3是根据一示例性实施例示出的另一种视频推荐系统的应用环境图。
图4是根据一示例性实施例示出的一种视频推荐流界面的示意图。
图5是根据一示例性实施例示出的另一种视频推荐方法的流程图。
图6是根据一示例性实施例示出的一种视频相似度计算的流程示意图。
图7是根据一示例性实施例示出的一种视频召回的流程示意图。
图8是根据一示例性实施例示出的一种视频推荐装置的框图。
图9是根据一示例性实施例示出的一种服务器的内部结构图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实 施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二” 等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的 数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或 描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相 一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方 面相一致的装置和方法的例子。
本公开所提供的视频推荐方法,可以应用于如图1所示的应用环境中。其中,视频推 荐服务器110首先获取用户账户的交互视频集合;其中,交互视频集合为与用户账户的视 频交互行为对应的多个视频组成的集合;然后,视频推荐服务器110提取所述交互视频集 合中各个视频对应的图像特征和音频特征;再然后,视频推荐服务器110分别对每个所述 视频对应的图像特征和音频特征进行融合,得到所述交互视频集合中各个视频对应的视频 内容特征;最后,视频推荐服务器110根据所述交互视频集合中各个视频对应的视频内容 特征,为所述用户账户进行视频推荐。
实际应用中,视频推荐服务器110也可以用独立的服务器或者是多个服务器组成的服 务器集群来实现。
图2是根据一示例性实施例示出的一种视频推荐方法的流程图,如图2所示,该视频 推荐方法用于图1中的视频推荐服务器110,包括以下步骤。
在步骤S210中,获取用户账户的交互视频集合;其中,交互视频集合为与用户账户的视频交互行为对应的多个视频组成的集合。
其中,视频交互行为可以是指用户账户与视频进行交互的历史行为。实际应用中,视 频交互行为可以包括历史观看行为、历史点赞行为、历史转发行为、历史收藏行为、历史评论行为和历史赞赏行为中的至少一种。
其中,交互视频集合为与用户账户的视频交互行为对应的多个视频组成的集合。当然, 交互视频集合也可以命名为用户交互视频列表。
实际应用中,交互视频集合可以包括与用户账户对应的历史观看视频、历史点赞视频、 历史转发视频、历史收藏视频、历史评论视频和历史赞赏视频中的至少一种。
具体实现中,视频推荐服务器110可以拉取用户的视频交互行为,包括历史观看行为、 历史点赞行为、历史转发行为、历史收藏行为、历史评论行为和历史赞赏行为等;然后,视频推荐服务器110根据上述的视频交互行为,确定用户账户对应的历史观看视频、历史点赞视频、历史转发视频、历史收藏视频、历史评论视频和历史赞赏视频;最后,视频推 荐服务器110并将上述的视频组成交互视频集合即用户交互视频列表。
在步骤S220中,提取交互视频集合中各个视频对应的图像特征和音频特征。
具体实现中,当视频推荐服务器110获取到交互视频集合后,视频推荐服务器110可以提取交互视频集合中各个视频对应的图像特征和音频特征。具体来说,视频推荐服务器110可以将视频中的视频流信息和音频流信息分别输入至图像特征提取模型和音频特征提取模型中进行特征提取。实际应用中,图像特征提取模型可以是基于InceptionNetwork构建的模型;音频特征提取模型可以是基于CNN(卷积神经网络)构建的模型。
在步骤S230中,分别对每个视频对应的图像特征和音频特征进行融合,得到各个视 频的视频内容特征。
具体实现中,视频推荐服务器110将图像特征提取模型输出的针对各个视频的图像特 征和音频特征提取模型输出的针对各个视频的音频特征进行拼接,然后再将拼接得到的特 征输入至全连接层进行全连接处理得到各个视频对应的视频向量。其中,各个视频对应的 视频向量携带有各个视频对应的视频内容特征。
在步骤S240中,根据交互视频集合中各个视频对应的视频内容特征,为用户账户进 行视频推荐。
具体实现中,当视频推荐服务器110得到交互视频集合中各个视频对应的视频内容特 征后,视频推荐服务器110可以在视频池中选择某些与交互视频集合中各个视频之间的视 频内容特征相似度高的视频,并将这些视频推荐至该用户账户。
上述视频推荐方法中,通过获取与用户账户的视频交互行为相关联的交互视频集合; 并提取交互视频集合中各个视频对应的图像特征和音频特征;分别对每个视频对应的图像 特征和音频特征进行融合,得到交互视频集合中各个视频对应的视频内容特征;使得各个 视频对应的视频内容特征可以准确地表达出视频对应的内容,并且通过根据交互视频集合 的各个视频对应的视频内容特征,可以准确地基于用户账户的视频交互行为刻画出用户账 户的兴趣偏好,从而准确地为用户账户进行视频推荐,避免了只采用视频在冷启动后累积 的用户观看数据作为视频特征而导致推荐准确度不高的情况,进而提高视频的个性化推荐 准确度。
在一示例性实施例中,根据交互视频集合中各个视频对应的视频内容特征,为用户账 户进行视频推荐,包括:获取视频池中各个视频的视频内容特征;根据视频池中各个视频 的视频内容特征和交互视频集合中各个视频对应的视频内容特征,确定视频池中各个视频 与交互视频集合中各个视频之间的视频相似度;根据视频池中各个视频对应的视频相似 度,为用户账户进行视频推荐。
具体实现中,视频推荐服务器110在根据交互视频集合中各个视频对应的视频内容特 征,为用户账户进行视频推荐的过程中,具体包括:视频推荐服务器110首先获取视频池 中各个视频的视频内容特征;然后,视频推荐服务器110根据视频池中各个视频的视频内 容特征和交互视频集合中各个视频对应的视频内容特征,确定视频池中各个视频与交互视 频集合中各个视频之间的视频相似度。
具体来说,视频推荐服务器110可以采用向量间的余弦相似度来计算视频相似度S; 其中,交互视频集合中视频A与视频池中视频B之间的视频相似度S可以表示为
其中,Ai为与视频A的视频内容特征对应的视频向量A的各分量;Bi为与视频B的 视频内容特征对应的视频向量B的各分量。
然后,视频推荐服务器110再根据视频池中各个视频对应的视频相似度,为用户账户 进行视频推荐。
在一示例性实施例中,根据视频池中各个视频对应的视频相似度,为用户账户进行视 频推荐,包括:根据视频池中各个视频对应的视频相似度,确定视频池中的候选视频集合; 候选视频集合中各个视频对应的视频相似度大于预设的相似度阈值;根据候选视频集合, 为用户账户进行视频推荐。
具体实现中,在视频推荐服务器110根据视频池中各个视频对应的视频相似度,为用 户账户进行视频推荐的过程中,视频推荐服务器110可以根据视频池中各个视频对应的视 频相似度,对视频池中的视频进行召回;其中,视频推荐服务器110可以将视频池中视频相似度大于预设的相似度阈值的视频进行召回,进而得到候选视频集合。最后,视频推荐服务器110可以对候选视频集中的视频进行排序,并将排序后的视频推荐至用户账户对应的用户终端。
本实施例的技术方案,在根据相似视频集合为用户账户进行视频推荐的过程中,通过 获取视频池中各个视频的视频内容特征,并根据视频池中各个视频的视频内容特征和交互 视频集合中各个视频对应的视频内容特征,确定视频池中各个视频与交互视频集合中各个 视频之间的视频相似度,对由数量庞大的视频构成的视频池进行初步地视频召回进而得到 候选视频集合,从而在后续可以根据候选视频集合为用户账户进行个性化视频推荐。
在一示例性实施例中,根据候选视频集合,为用户账户进行视频推荐,包括:获取候 选视频集合中各个视频对应的用户行为数据;根据用户行为数据,对候选视频集合中各个 视频进行排序,得到排序后的待推荐视频;确定排序后的待推荐视频中的目标视频,并将 目标视频推荐至用户账户。
其中,用户行为数据可以是指视频在冷启动后累积的用户行为对应的数据记录。举例 来说,某一视频的用户行为数据可以是该视频的评论数、该视频的点赞数、该视频的收藏 数、该视频的转发数和该视频的播放完成率等。
具体实现中,视频推荐服务器110在根据候选视频集合,为用户账户进行视频推荐的 过程中,具体包括:视频推荐服务器110首先获取候选视频集合中各个视频对应的用户行 为数据;然后,视频推荐服务器110根据用户行为数据,对候选视频集合中各个视频进行排序,得到排序后的待推荐视频。
具体来说,视频推荐服务器110可以根据候选视频集合中每个视频对应的用户行为数 据,计算出候选视频集合中每个视频对应的评分;例如,视频推荐服务器110可以根据每 个视频的评论数、点赞数、收藏数、转发数和播放完成率等用户行为数据,计算出每个视频的评分;其中,不同类型的用户行为数据具有对应的评分权重。然后,视频推荐服务器110根据得到的评分对候选视频集合中各个视频进行按评分从高到低的顺序进行排序,得到排序后的待推荐视频。最后,视频推荐服务器110在排序后的待推荐视频中取排名靠前的N(TOP N)个视频作为目标视频,并将该目标视频推荐至用户账户。
在一示例性实施例中,如图3所示,图3提供一种视频推荐系统,该视频推荐系统具体包括视频推荐服务器110和用户终端120;其中,视频推荐服务器110在将该目标视频 推荐至用户账户的过程中,视频推荐服务器110可以生成针对目标视频的视频推荐流;然 后,视频推荐服务器110将视频推荐流并发送至与用户账户对应的用户终端进而供用户终 端生成视频推荐流界面并进行展示。实际应用中,用户终端120可以但不限于是各种移动 电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、健身设备、个人 数字助理等。为了便于本领域技术人员的理解,图4提供了一种视频推荐流界面的示意图。
本实施例的技术方案,在根据候选视频集合为用户账户进行视频推荐的过程中,通过 根据候选视频集合中各个视频对应的用户行为数据对候选视频集合中各个视频进行排序, 得到排序后的待推荐视频,并在排序后的待推荐视频中的目标视频,并将目标视频推荐至 用户账户,从而实现更为精确地为用户账户进行个性化视频推荐,提高视频个性化推荐准 确度。
在一示例性实施例中,获取视频池中各个视频的视频内容特征,包括:提取视频池中 各个视频对应的图像特征和音频特征;分别对视频池中各个视频对应的图像特征和音频特 征进行融合,得到视频池中各个视频的视频内容特征。
具体实现中,视频推荐服务器110在获取视频池中各个视频的视频内容特征的过程 中,具体包括:视频推荐服务器110可以分别提取出视频池中各个视频对应的图像特征和 音频特征;具体来说,视频推荐服务器110可以将视频池中各个视频中的视频流信息和音 频流信息输入至预训练的多模态模型,通过预训练的多模态模型分别对视频池中各个视频 对应的图像特征和音频特征进行融合,得到视频池中各个视频的视频内容特征。
实际应用中,多模态模型可以包括图像特征提取模型和音频特征提取模型。实际应用 中,图像特征提取模型可以是基于Inception Network构建的模型;音频特征提取模型可 以是基于CNN(卷积神经网络)构建的模型。
具体来说,视频推荐服务器110可以通过图像特征提取模型,对视频中的各帧图像进 行图像特征提取,得到该视频对应的图像特征。同时,视频推荐服务器110还可以通过预训练的音频特征提取模型,提取出该视频对应的音频特征。然后,视频推荐服务器110 将图像特征提取模型输出的针对该视频的图像特征和音频特征提取模型输出的针对该视 频的音频特征进行拼接,然后将拼接得到的特征输入至全连接层进行全连接处理得到该视 频对应的视频向量,进而得到该视频对应的视频内容特征。
本实施例的技术方案,在获取视频池中各个视频的视频内容特征中,通过提取视频池 中各个视频对应的图像特征和音频特征;分别对视频池中各个视频对应的图像特征和音频 特征进行融合,使得计算得到的各个视频的视频内容特征可以准确地刻画出视频的真实内 容,便于后续准确地计算出各个视频相似度,提高视频召回的效果,同时,还可以使得其 他用户新上传视频可以快速地召回出来,无需积累用户的行为,从而提升了新视频被个性 化系统推荐出来的速度,提升了推荐系统的时效性。
在一示例性实施例中,还包括:根据视频池中各个视频的视频内容特征,确定视频池 中的第一相似视频对和第二相似视频对;相似视频对中的视频之间的视频相似度大于预设 的相似度阈值;当第一相似视频对中的任意一个视频与第二相似视频对中的任意一个视频 之间的视频相似度大于相似度阈值时,则将第一相似视频对的视频和第二相似视频对的视 频进行聚类,得到相似视频集合。
其中,相似视频集合用于为用户账户进行视频推荐。
具体实现中,视频推荐服务器110还可以对视频池中的视频进行聚类,具体来说,视 频推荐服务器110根据视频池中各个视频的视频内容特征,确定视频池中的第一相似视频 对和第二相似视频对;其中,第一相似视频对中的视频之间的视频相似度大于预设的相似 度阈值。第二相似视频对中的视频之间的视频相似度大于预设的相似度阈值。然后,视频 推荐服务器110判断第一相似视频对中的任意一个视频与第二相似视频对中的任意一个 视频之间的视频相似度是否大于预设的相似度阈值,若第一相似视频对中的任意一个视频 与第二相似视频对中的任意一个视频之间的视频相似度大于相似度阈值时,则将第一相似 视频对的视频和第二相似视频对的视频对的视频进行聚类,得到相似视频集合。如此,视 频推荐服务器110在进行视频召回时,视频推荐服务器110可以依次在各个相似视频集合 中召回视频。
例如,已知视频A与视频B之间的视频相似度大于相似度阈值,则视频A与视频B 为第一相似视频对。视频C与视频D之间的视频相似度大于相似度阈值,则视频C与视频 D为第二相似视频对。当第一相似视频对中的视频A或视频B与第二相似视频对中的视频 C或视频D之间的视频相似度大于相似度阈值时,则将视频A、视频B、视频C与视频D 组成为相似视频集合。
本实施例的技术方案,在根据视频相似度对交互视频集合中的各个视频进行聚类,得 到相似视频集合的过程中,当检测到第一相似视频对中的任意一个视频与第二相似视频对 中的任意一个视频之间的视频相似度大于相似度阈值时,则直接将第一相似视频和第二相 似视频中的视频归为同一相似视频集合中,从而可以减少计算各个视频之间的视频相似度 的次数,提高了对交互视频集合中的各个视频进行聚类的效率,如此,视频推荐服务器在 进行视频召回时,视频推荐服务器可以依次在各个相似视频集合中召回视频以提高视频召 回效率。
在一示例性实施例中,视频交互行为具有多个,获取用户账户的交互视频集合,包括: 读取各个视频交互行为对应的视频ID信息;对各个视频ID信息进行去冗余,得到去冗余 视频ID信息;根据去冗余视频ID信息,在视频池中读取交互视频集合。
其中,视频交互行为具有多个。
其中,视频ID信息可以是指用于与视频对应的标识信息。
具体实现中,视频推荐服务器110在获取用户账户的交互视频集合的过程中,具体包 括:视频推荐服务器110可以读取与各个视频交互行为对应的视频ID信息;然后,视频推荐服务器110对各个视频ID信息进行去冗余,得到去冗余视频ID信息;最后,视频推 荐服务器110根据去冗余视频ID信息,在视频池中读取交互视频集合。
例如,视频推荐服务器110分别读取与用户账户的历史点赞行为对应的视频ID信息 有:ID02、ID03和ID04;读取与用户账户的历史评论行为对应的视频ID信息有ID01、ID02、ID03和ID05。然后,视频推荐服务器110对上述各个视频ID信息进行去冗余,得 到去冗余视频ID信息:ID01、ID02、ID03、ID04和ID05;最后,视频推荐服务器110 再根据去冗余视频ID信息,在视频池中读取交互视频集合。
本实施例的技术方案,视频推荐服务器在获取与用户账户的视频交互行为相关联的交 互视频集合的过程中,通过读取各个视频交互行为对应的视频ID信息;并对各个视频ID 信息进行去冗余,再根据得到的去冗余视频ID信息,在视频池中读取交互视频集合,从而避免视频推荐服务器在获取交互视频集合的过程中读取到重复的视频,进而减少视频推荐服务器后续提取出交互视频集合中各个视频对应的图像特征和音频特征的数据处理量,从而提高了视频推荐服务器的视频推荐效率。
在一示例性实施例中,如图5所示,提供了另一种视频推荐方法,具体包括如下步骤: 步骤S502,获取用户账户的交互视频集合;其中,所述交互视频集合为与所述用户账户的视频交互行为对应的多个视频组成的集合。步骤S504,提取所述交互视频集合中各个 视频对应的图像特征和音频特征。步骤S506,分别对每个所述视频对应的图像特征和音 频特征进行融合,得到所述交互视频集合中各个视频对应的视频内容特征。步骤S508, 提取所述视频池中各个视频对应的图像特征和音频特征。步骤S510,分别对所述视频池 中各个视频对应的图像特征和音频特征进行融合,得到所述视频池中各个视频的视频内容 特征。步骤S512,根据所述视频池中各个视频的视频内容特征和所述交互视频集合中各 个视频对应的视频内容特征,确定所述视频池中各个视频与所述交互视频集合中各个视频 之间的视频相似度。步骤S514,根据所述视频池中各个视频对应的视频相似度,确定所 述视频池中的候选视频集合;所述候选视频集合中各个视频对应的视频相似度大于预设的 相似度阈值。步骤S516,获取所述候选视频集合中各个视频对应的用户行为数据。步骤 S518,根据所述用户行为数据,对所述候选视频集合中各个视频进行排序,得到排序后的 待推荐视频。步骤S520,确定所述排序后的待推荐视频中的目标视频,并将所述目标视 频推荐至所述用户账户。需要说明的是,上述步骤的具体限定可以上文对一种视频推荐方 法的具体限定,在此不再赘述。
应该理解的是,虽然图2和图5的流程图中的各个步骤按照箭头的指示依次显示,但 是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步 骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2和图5中的 至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时 刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次 进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地 执行。
为了便于本领域技术人员的理解,图6提供了一种视频相似度计算的流程示意图,其 中,具体来说,视频推荐服务器110在比对视频A和视频B的视频相似度的过程中,首先,视频推荐服务器110提取视频A对应的图像特征和音频特征;然后,对视频A对应的图像 特征和音频特征进行融合,得到可以用于表征视频A的视频内容特征的视频向量A;于此 同时,视频推荐服务器110提取视频B对应的图像特征和音频特征;然后,对视频B对应 的图像特征和音频特征进行融合,得到可以用于表征视频B的视频内容特征的视频向量B; 然后,视频推荐服务器110通过计算视频向量A与视频向量B之间的余弦相似度,作为视 频A和视频B之间的视频相似度。
为了便于本领域技术人员的理解,图7提供了一种视频召回的流程示意图,其中,视 频推荐服务器110在进行视频召回的过程中,首先,视频推荐服务器110通过拉取用户账户与视频进行交互的历史行为如历史观看行为、历史点赞行为、历史转发行为、历史收藏行为、历史评论行为等,确定与该用户账户的兴趣偏好相关的交互视频集合,然后,再提 取交互视频集合中各个视频对应的图像特征和音频特征;分别对每个视频对应的图像特征和音频特征进行融合,得到交互视频集合中各个视频对应的视频内容特征;根据交互视频集合中各个视频对应的视频内容特征,进行视频召回为用户账户进行视频推荐。
图8是根据一示例性实施例示出的一种视频推荐装置框图。参照图8,该装置包括获 取模块810,提取模块820、融合模块830和推荐单元840。
获取单元810,被配置为执行获取用户账户的交互视频集合;其中,所述交互视频集合为与所述用户账户的视频交互行为对应的多个视频组成的集合;
提取单元820,被配置为执行提取所述交互视频集合中各个视频对应的图像特征和音 频特征;
融合单元830,被配置为执行分别对每个所述视频对应的图像特征和音频特征进行融 合,得到所述交互视频集合中各个视频对应的视频内容特征;
推荐单元840,被配置为执行根据所述交互视频集合中各个视频对应的视频内容特 征,为所述用户账户进行视频推荐。
在一示例性实施例中,所述推荐单元840,具体被配置为执行获取视频池中各个视频 的视频内容特征;根据所述视频池中各个视频的视频内容特征和所述交互视频集合中各个 视频对应的视频内容特征,确定所述视频池中各个视频与所述交互视频集合中各个视频之 间的视频相似度;根据所述视频池中各个视频对应的视频相似度,为所述用户账户进行视 频推荐。
在一示例性实施例中,所述推荐单元840,具体被配置为执行根据所述视频池中各个 视频对应的视频相似度,确定所述视频池中的候选视频集合;所述候选视频集合中各个视 频对应的视频相似度大于预设的相似度阈值;根据所述候选视频集合,为所述用户账户进 行视频推荐。
在一示例性实施例中,所述推荐单元840,具体被配置为执行获取所述候选视频集合 中各个视频对应的用户行为数据;根据所述用户行为数据,对所述候选视频集合中各个视 频进行排序,得到排序后的待推荐视频;确定所述排序后的待推荐视频中的目标视频,并 将所述目标视频推荐至所述用户账户。
在一示例性实施例中,所述推荐单元840,具体被配置为执行提取所述视频池中各个 视频对应的图像特征和音频特征;分别对所述视频池中各个视频对应的图像特征和音频特 征进行融合,得到所述视频池中各个视频的视频内容特征。
在一示例性实施例中,所述一种视频推荐装置,还包括:视频相似度获取单元,被配 置为执行根据所述视频池中各个视频的视频内容特征,确定所述视频池中的第一相似视频 对和第二相似视频对;所述相似视频对中的视频之间的视频相似度大于预设的相似度阈 值;聚类单元,被配置为执行当所述第一相似视频对中的任意一个视频与所述第二相似视 频对中的任意一个视频之间的视频相似度大于所述相似度阈值时,则将所述第一相似视频 对的视频和第二相似视频对的视频进行聚类,得到相似视频集合。
在一示例性实施例中,所述视频交互行为具有多个,所述获取单元810,具体被配置 为执行读取各个所述视频交互行为对应的视频ID信息;对各个所述视频ID信息进行去冗 余,得到去冗余视频ID信息;根据所述去冗余视频ID信息,在视频池中读取所述交互视频集合。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实 施例中进行了详细描述,此处将不做详细阐述说明。
图9是根据一示例性实施例示出的一种用于执行一种视频推荐方法的设备900的框 图。例如,设备900可以为一服务器。参照图9,设备900包括处理组件920,其进一步 包括一个或多个处理器,以及由存储器922所代表的存储器资源,用于存储可由处理组件 920的执行的指令,例如应用程序。存储器922中存储的应用程序可以包括一个或一个以 上的每一个对应于一组指令的模块。此外,处理组件920被配置为执行指令,以执行上述 一种视频推荐方法。
设备900还可以包括一个电源组件924被配置为执行设备900的电源管理,一个有线 或无线网络接口926被配置为将设备900连接到网络,和一个输入输出(I/O)接口928。设备900可以操作基于存储在存储器922的操作系统,例如Window9 9erverTM,Mac O9 XTM,UnixTM,LinuxTM,FreeB9DTM或类似。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器922, 上述指令可由设备900的处理器执行以完成上述方法。存储介质可以是非临时性计算机可 读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、 CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实 施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者 适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或 惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权 利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可 以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种视频推荐方法,其特征在于,包括:
获取用户账户的交互视频集合;其中,所述交互视频集合为与所述用户账户的视频交互行为对应的多个视频组成的集合;
提取所述交互视频集合中各个视频对应的图像特征和音频特征;
分别对每个所述视频对应的图像特征和音频特征进行融合,得到所述交互视频集合中各个视频对应的视频内容特征;
根据所述交互视频集合中各个视频对应的视频内容特征,为所述用户账户进行视频推荐。
2.根据权利要求1所述的视频推荐方法,其特征在于,所述根据所述交互视频集合中各个视频对应的视频内容特征,为所述用户账户进行视频推荐,包括:
获取视频池中各个视频的视频内容特征;
根据所述视频池中各个视频的视频内容特征和所述交互视频集合中各个视频对应的视频内容特征,确定所述视频池中各个视频与所述交互视频集合中各个视频之间的视频相似度;
根据所述视频池中各个视频对应的视频相似度,为所述用户账户进行视频推荐。
3.根据权利要求2所述的视频推荐方法,其特征在于,所述根据所述视频池中各个视频对应的视频相似度,为所述用户账户进行视频推荐,包括:
根据所述视频池中各个视频对应的视频相似度,确定所述视频池中的候选视频集合;所述候选视频集合中各个视频对应的视频相似度大于预设的相似度阈值;
根据所述候选视频集合,为所述用户账户进行视频推荐。
4.根据权利要求3所述的视频推荐方法,其特征在于,所述根据所述候选视频集合,为所述用户账户进行视频推荐,包括:
获取所述候选视频集合中各个视频对应的用户行为数据;
根据所述用户行为数据,对所述候选视频集合中各个视频进行排序,得到排序后的待推荐视频;
确定所述排序后的待推荐视频中的目标视频,并将所述目标视频推荐至所述用户账户。
5.根据权利要求2所述的视频推荐方法,其特征在于,所述获取视频池中各个视频的视频内容特征,包括:
提取所述视频池中各个视频对应的图像特征和音频特征;
分别对所述视频池中各个视频对应的图像特征和音频特征进行融合,得到所述视频池中各个视频的视频内容特征。
6.根据权利要求2所述的视频推荐方法,其特征在于,还包括:
根据所述视频池中各个视频的视频内容特征,确定所述视频池中的第一相似视频对和第二相似视频对;所述相似视频对中的视频之间的视频相似度大于预设的相似度阈值;
当所述第一相似视频对中的任意一个视频与所述第二相似视频对中的任意一个视频之间的视频相似度大于所述相似度阈值时,则将所述第一相似视频对的视频和第二相似视频对的视频进行聚类,得到相似视频集合。
7.根据权利要求1-6任意一项所述的视频推荐方法,其特征在于,所述视频交互行为具有多个,所述获取用户账户的交互视频集合,包括:
读取各个所述视频交互行为对应的视频ID信息;
对各个所述视频ID信息进行去冗余,得到去冗余视频ID信息;
根据所述去冗余视频ID信息,在视频池中读取所述交互视频集合。
8.一种视频推荐装置,其特征在于,包括:
获取单元,被配置为执行获取用户账户的交互视频集合;其中,所述交互视频集合为与所述用户账户的视频交互行为对应的多个视频组成的集合;
提取单元,被配置为执行提取所述交互视频集合中各个视频对应的图像特征和音频特征;
融合单元,被配置为执行分别对每个所述视频对应的图像特征和音频特征进行融合,得到所述交互视频集合中各个视频对应的视频内容特征;
推荐单元,被配置为执行根据所述交互视频集合中各个视频对应的视频内容特征,为所述用户账户进行视频推荐。
9.一种服务器,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至7中任一项所述的视频推荐方法。
10.一种存储介质,当所述存储介质中的指令由服务器的处理器执行时,使得服务器能够执行如权利要求1至7中任一项所述的视频推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010357144.8A CN113573097A (zh) | 2020-04-29 | 2020-04-29 | 视频推荐方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010357144.8A CN113573097A (zh) | 2020-04-29 | 2020-04-29 | 视频推荐方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113573097A true CN113573097A (zh) | 2021-10-29 |
Family
ID=78158581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010357144.8A Pending CN113573097A (zh) | 2020-04-29 | 2020-04-29 | 视频推荐方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113573097A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491272A (zh) * | 2022-02-14 | 2022-05-13 | 北京有竹居网络技术有限公司 | 一种多媒体内容推荐方法及装置 |
CN114926771A (zh) * | 2022-06-01 | 2022-08-19 | 北京字节跳动网络技术有限公司 | 一种视频识别方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090006368A1 (en) * | 2007-06-29 | 2009-01-01 | Microsoft Corporation | Automatic Video Recommendation |
US20110264700A1 (en) * | 2010-04-26 | 2011-10-27 | Microsoft Corporation | Enriching online videos by content detection, searching, and information aggregation |
CN103503463A (zh) * | 2011-11-23 | 2014-01-08 | 华为技术有限公司 | 视频广告播放方法、设备和系统 |
CN104065981A (zh) * | 2014-06-20 | 2014-09-24 | 海信集团有限公司 | 一种视频推荐方法和装置 |
CN105426548A (zh) * | 2015-12-29 | 2016-03-23 | 海信集团有限公司 | 一种基于多用户的视频推荐方法及装置 |
CN109257622A (zh) * | 2018-11-01 | 2019-01-22 | 广州市百果园信息技术有限公司 | 一种音视频处理方法、装置、设备及介质 |
CN110008375A (zh) * | 2019-03-22 | 2019-07-12 | 广州新视展投资咨询有限公司 | 推荐视频召回方法和装置 |
CN110149541A (zh) * | 2019-04-23 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置、计算机设备及存储介质 |
CN110446065A (zh) * | 2019-08-02 | 2019-11-12 | 腾讯科技(武汉)有限公司 | 一种视频召回方法、装置及存储介质 |
CN110751030A (zh) * | 2019-09-12 | 2020-02-04 | 厦门网宿有限公司 | 一种视频分类方法、设备及系统 |
CN110798718A (zh) * | 2019-09-02 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种视频推荐方法以及装置 |
CN110866184A (zh) * | 2019-11-11 | 2020-03-06 | 湖南大学 | 短视频数据标签推荐方法、装置、计算机设备和存储介质 |
-
2020
- 2020-04-29 CN CN202010357144.8A patent/CN113573097A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090006368A1 (en) * | 2007-06-29 | 2009-01-01 | Microsoft Corporation | Automatic Video Recommendation |
US20110264700A1 (en) * | 2010-04-26 | 2011-10-27 | Microsoft Corporation | Enriching online videos by content detection, searching, and information aggregation |
CN103503463A (zh) * | 2011-11-23 | 2014-01-08 | 华为技术有限公司 | 视频广告播放方法、设备和系统 |
CN104065981A (zh) * | 2014-06-20 | 2014-09-24 | 海信集团有限公司 | 一种视频推荐方法和装置 |
CN105426548A (zh) * | 2015-12-29 | 2016-03-23 | 海信集团有限公司 | 一种基于多用户的视频推荐方法及装置 |
CN109257622A (zh) * | 2018-11-01 | 2019-01-22 | 广州市百果园信息技术有限公司 | 一种音视频处理方法、装置、设备及介质 |
CN110008375A (zh) * | 2019-03-22 | 2019-07-12 | 广州新视展投资咨询有限公司 | 推荐视频召回方法和装置 |
CN110149541A (zh) * | 2019-04-23 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置、计算机设备及存储介质 |
CN110446065A (zh) * | 2019-08-02 | 2019-11-12 | 腾讯科技(武汉)有限公司 | 一种视频召回方法、装置及存储介质 |
CN110798718A (zh) * | 2019-09-02 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种视频推荐方法以及装置 |
CN110751030A (zh) * | 2019-09-12 | 2020-02-04 | 厦门网宿有限公司 | 一种视频分类方法、设备及系统 |
CN110866184A (zh) * | 2019-11-11 | 2020-03-06 | 湖南大学 | 短视频数据标签推荐方法、装置、计算机设备和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491272A (zh) * | 2022-02-14 | 2022-05-13 | 北京有竹居网络技术有限公司 | 一种多媒体内容推荐方法及装置 |
CN114491272B (zh) * | 2022-02-14 | 2023-09-12 | 北京有竹居网络技术有限公司 | 一种多媒体内容推荐方法及装置 |
CN114926771A (zh) * | 2022-06-01 | 2022-08-19 | 北京字节跳动网络技术有限公司 | 一种视频识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111143610B (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
CN109145784B (zh) | 用于处理视频的方法和装置 | |
CN102207954B (zh) | 电子设备、内容推荐方法及其程序 | |
CN108776676B (zh) | 信息推荐方法、装置、计算机可读介质及电子设备 | |
KR101816113B1 (ko) | 컴퓨터 실행 방법, 시스템 및 컴퓨터 판독 가능 매체 | |
WO2017096877A1 (zh) | 一种推荐方法和装置 | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
CN112989209B (zh) | 内容推荐方法、装置和存储介质 | |
CN112559800B (zh) | 用于处理视频的方法、装置、电子设备、介质和产品 | |
CN109508406B (zh) | 一种信息处理方法、装置及计算机可读存储介质 | |
CN111611436A (zh) | 一种标签数据处理方法、装置以及计算机可读存储介质 | |
CN112100504B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN110287375B (zh) | 视频标签的确定方法、装置及服务器 | |
CN113779381B (zh) | 资源推荐方法、装置、电子设备和存储介质 | |
CN111314732A (zh) | 确定视频标签的方法、服务器及存储介质 | |
CN113873330B (zh) | 视频推荐方法、装置、计算机设备和存储介质 | |
CN111723237A (zh) | 媒体内容访问控制方法 | |
CN111954087B (zh) | 视频中图像的截取方法和装置、存储介质和电子设备 | |
CN113573097A (zh) | 视频推荐方法、装置、服务器及存储介质 | |
CN112291634A (zh) | 视频处理方法及装置 | |
CN114528474A (zh) | 推荐对象确定方法、装置、电子设备及存储介质 | |
CN108769831B (zh) | 视频预告的生成方法及装置 | |
CN114845149B (zh) | 视频片段的剪辑方法、视频推荐方法、装置、设备及介质 | |
CN110569447B (zh) | 一种网络资源的推荐方法、装置及存储介质 | |
CN113472834A (zh) | 一种对象推送方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211029 |